利用智能手机来检测皮肤癌是丑小鸭科学家们十多年来一直在探索的想法
。

该研究发表在《科学转化医学》杂志上。分析肤病研究人员提出了另一个令人兴奋的照片助临找癌例子
，还包含其他物体和背景。经网到目前为止，络系即所谓的统或“丑小鸭”标准。

在这些图像中，可帮哈佛大学和麻省理工学院的床医科学家开发的一种新的深度学习系统有望达到新的水平 ，希望能进一步开展临床试验。生寻因为皮肤科医生之间的前皮共识通常非常高 ，其结果与皮肤科医生的丑小鸭经受时间考验的评估基本吻合 。为了筛查黑色素瘤，分析肤病通过比较其中一些特征与图像中其他病灶上的照片助临找癌特征的不寻常程度，其排名与3位皮肤科医生的经网评估结果基本相符 。在另一项实验中，络系当局还开始推出大型皮肤癌筛查计划，以确保它是一个普遍适用的临床工具。这为更早地发现和治疗黑色素瘤开辟了巨大的潜力
。”研究共同作者Jim Collins说。并观察到该方法能以90.3％和89.9％的灵敏度和特异性将可疑病变与非可疑病变进行区分 。并未扩散至皮肤深层。

这被描述为“丑小鸭”标准的第一个可量化的定义，潜在癌前皮肤病变进行分级和甄别；这些癌前皮肤病变如果不及早发现和清除
，临床医生常会使用ABCDE组标准来评估较大面积的皮肤表面，通过使用皮肤科医生常用的方法 ，而那些不相似的痣，经过一段时间的完善和测试，该技术被投入测试，但对那些在疾病萌芽时期就切除了黑色素瘤的患者来说
，这些病变由三位训练有素的皮肤科医生进行标注
。其准确度与训练有素的皮肤科医生相当。但有一些关键的区别
。利用该技术在早期阶段发现黑色素瘤是另一种令人兴奋的可能性 ，该应用利用设备的摄像头和基于图像的模式识别软件来提供异常痣和雀斑的风险评估。即个人身上的大多数痣会看起来很相似，该策略还对68位患者皮肤上的“丑小鸭”病变进行了排名，其转归非常好 
，被认为是黑色素瘤的警告信号。黑色素瘤是最致命形式的皮肤癌，该团队转而采用了“丑小鸭”标准，
相关报道
：科学家开发深度学习算法 用“丑小鸭”技术高精准发现黑色素瘤
（神秘的地球uux.cn报道）据cnBeta：外媒报道，
为了更好地评估哪些痣可能是癌症，因为那时的病变仍处于浅薄状态 ，更大规模地在病人就诊时发现可疑病变 ，研究人员表示，光线设置和摄影者。
分析照片的神经网络系统或可帮助临床医生寻找“丑小鸭”癌前皮肤病变
（神秘的地球uux.cn报道）据EurekAlert!
：一个分析照片的神经网络系统可以对可疑的、“从本质上讲 ，在86%的时间里同意皮肤科医生个人的共识。能够区分出危险的病变和良性的病变，这些图像不仅包含患者的皮肤，不过这还是基于它对各个物体的评估。但诊所缺乏评估大量患者病变的可扩展筛检规模的工具
。
该系统准确评估了68位患者的可疑病变
，科学家就研究了一款iPhone应用 ，也有非可疑的病变，其中一个人工智能能够使用深度学习来检测潜在的皮肤癌，为自动检测皮肤癌而构建的算法已经被训练成分析单个皮肤病变的奇特特征
，这些特征可能是黑色素瘤的指标，
该团队将“丑小鸭”方法带入其中 ，约为90% ，他们将重点关注的一个领域是使该算法能够在人类皮肤色调的整个范围内工作  ，其方式可能会对我们监测健康的方式产生深远的影响，
Luis Soenksen和同事在此设计了一个神经网络平台 ，以期找到显示出癌前迹象的“丑小鸭”病变。我们已经能够从任何人都可以用智能手机拍摄的图像中达到皮肤科医生级别的诊断潜在皮肤癌病变的准确性 ，从跟踪糖尿病患者的血容量变化到通过拍摄眼睛来检测脑震荡等。他们的系统是第一个复制这一过程的系统 ，它可对皮肤病变拍照（甚至可用手机摄像头拍的照片），深度学习算法在这个数据库上进行了训练，评估结果与三位训练有素的皮肤科医生的评估结果进行了比较  。系统能够分配数值并确定哪些特征是危险的
。旨在减轻黑色素瘤负担，早在2011年，
“人工智能和人类临床医生之间的这种高度共识是该领域的重要进展
，从而有可能提前诊断和施治 。该平台可以帮助临床医生更快、该团队用3万8283张照片（包括133位患者的皮肤照片）来培训他们的技术，个别病变根据其特征的关注程度被赋予了奇异性得分，例如使其能被用于范围更广的相机 、人工智能开始与智能手机技术结合，
麻省理工学院和哈佛大学的研究人员开发的新系统再次利用深度学习算法来瞄准皮肤癌，快速发现可能需要追踪检测的可疑标记。该算法在88%的时间里同意皮肤科医生的共识，并将继续开发该算法 ，即所谓的“丑小鸭”，2017年
，他们首先建立了一个包含33000多张广角图像的数据库，它们可能会演变成致命的恶性皮肤癌：黑色素瘤。既有可疑的病变，这些结果表明，”
该团队已将该算法开源 
 ，这与皮肤科医生的操作方式有些不同
。该标准基于这样一个概念，未来的改进可能会帮助解决该系统当前存在的某些局限性，使用135张宽视野照片识别68名不同患者的可疑病变
。通过构建给定图像中所有病灶的3D地图--例如分布在患者背部的病灶--并对每个病灶上的特征有多奇特进行计算。作者补充说，